0

Boa tarde. Estou enfrentando um problema durante a conversão de um arquivo CSV para um arquivo Excel, via openpyxl. A estrutura do código tem por objetivo converter um PDF em Excel, e colar as informações do PDF em uma Sheet de uma planilha de Excel já pré-formatada.

O que tentei:

import PyPDF2
import pandas as pd
from openpyxl import Workbook, load_workbook
import string
import csv
    

pdfFileObj=open(r".\pasta_460\pdf_460.pdf",'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

paginas_pdf = []
for page in pdfReader.pages:
    ddd = page.extractText()
    paginas_pdf.append(ddd)

df = pd.DataFrame(paginas_pdf)
df.to_csv(r".\pasta_460\pdf_em_csv_460.csv",encoding='utf-8')

book = load_workbook(r".\teste_template_planilha.xlsx")
writer = pd.ExcelWriter(r".\teste_template_460_modelada.xlsx", engine='openpyxl')
writer.book = book
writer.sheets = dict((ws.title, ws) for ws in book.worksheets)
df.to_excel(writer, 'Sheet12')
df.to_excel(writer, 'Sheet12', startrow=1, startcol=1, header=False, index=False)
writer.save()

Até funcionou e gerou a planilha com a Sheet12 contendo os dados que eu propus, porém, os dados saem todos em uma linha única do Excel, eu acredito que seja porque os dados estão em CSV guardados dentro de uma lista (paginas_pdf), mas não estou achando solução para este problema.

Gostaria que os dados saíssem na Sheet12 linha a linha, ou seja, que o delimitador ":" quebre a informação e coloque linha a linha.

Segue um df.head(10) - O arquivo só fica com 3 linhas - inserir a descrição da imagem aqui

6
  • Para salvar para excel isso seria o suficiente df.to_excel("output.xlsx") apagando todas as linhas de book = para baixo. Commented 3/02/2021 às 21:35
  • Mesmo usando df.to_excel("output.xlsx") os dados saem todos em uma linha única. Já tentei df.replace('\n', ' ') e também mantem a estrutura de linhas únicas, como se fosse uma array. A questão do código de book = para baixo é na intensão de criar a planilha na mesma planilha que eu indiquei como modelo. Commented 3/02/2021 às 21:48
  • Execute df.head() e atualiza o post Commented 3/02/2021 às 22:16
  • @PauloMarques, veja se com as imagens fica mais fácil identificar o problema. Agradeço a atenção Commented 3/02/2021 às 22:41
  • Antes da linha paginas_pdf.append(ddd) acrescente items = ddd.split("\n") depois substitua paginas_pdf.append(ddd) por paginas_pdf += items. Deve resolver. Commented 3/02/2021 às 23:02

1 Resposta 1

0

Documentando a solução sugerida no comentário

import PyPDF2
import pandas as pd
from openpyxl import Workbook, load_workbook
import string
import csv
    

pdfFileObj=open(r".\pasta_460\pdf_460.pdf",'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

paginas_pdf = []
for page in pdfReader.pages:
    ddd = page.extractText()
    items = ddd.split("\n")   # linha adicionada
    paginas_pdf += items      # linha adicionada
    # paginas_pdf.append(ddd) <- linha retirada

df = pd.DataFrame(paginas_pdf)
df.to_csv(r".\pasta_460\pdf_em_csv_460.csv",encoding='utf-8')

book = load_workbook(r".\teste_template_planilha.xlsx")
writer = pd.ExcelWriter(r".\teste_template_460_modelada.xlsx", engine='openpyxl')
writer.book = book
writer.sheets = dict((ws.title, ws) for ws in book.worksheets)
df.to_excel(writer, 'Sheet12')
df.to_excel(writer, 'Sheet12', startrow=1, startcol=1, header=False, index=False)
writer.save()

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .